2020 年數據科學就業市場必備的五項技能
雷鋒網AI開發者按，數據科學是一個競爭激烈的領域，人們正在迅速學習越來越多的技能和經驗。這導致了機器學習工程師的從業要求的直線上升，所有的數據科學家也需要成為開發人員。
為了保持競爭力，一定要為新工具帶來的新工作方式做好準備！以下就是2020 年數據科學就業市場必備的五項技能。
為 2020 年數據就業市場更新你的技能！
1.敏捷開發
敏捷開發是一種組織工作的方法，已經被開發團隊大量使用。越來越多的人扮演着數據科學家的角色，他們最初的技能是純軟件開發，這就產生了機器學習工程師這一角色。
Post-its 和敏捷開發似乎是並駕齊驅的
越來越多的數據科學家/機器學習工程師被劃分為開發人員：他們的工作是不斷改進現有的代碼庫中的機器學習相關的內容。
對於這類角色，數據科學家必須了解基於 Scrum 方法的敏捷工作方式。它為不同的人定義了不同的角色，這種角色定義保證了工作的順利實施和持續改進。
2.Github
Git 和 Github 是面向開發人員的軟件，在管理不同版本的軟件時有很大幫助。它們跟蹤對代碼庫所做的所有更改，此外，當多個開發人員同時對同一個項目進行更改時，它們能夠真正讓協作變得便利。
GitHub 是個不錯的選擇
隨着數據科學家的角色變得越來越重要，能夠熟練使用這些開發工具也是必備的技能之一。Git 正成為找工作時必備的一項技能，要熟練使用 Git 需要時間。當你一個人或者你的同事都是新手的時候，開始研究 Git 是很容易的，但是當你加入一個 Git 專家團隊，只有你一個人是新手的時候，你可能會經歷比你想象的多得多的努力才能跟上。
Git 是必須要掌握的技能
3.工業化
在數據科學領域，我們思考項目的方式也在發生變化。沒有變的是，數據科學家仍然是用機器學習來回答商業問題的。但是，隨着時間的發展，數據科學項目越來越多地是為生產系統開發的，例如作為大型軟件中的微服務。
AWS 是最大的雲供應商
與此同時，高級模型的 CPU 和 RAM 消耗也越來越大，尤其是在使用神經網絡和深度學習時。
就數據科學家的工作而言，不僅要考慮模型的準確性，還要考慮項目的執行時間或其他工業化的方面，後者正變得越來越重要。
Google也有云服務，就像 Microsoft (Azure)一樣
4.雲與大數據
在機器學習產業化對數據科學家的約束越來越嚴重，同時，它也成為了數據工程師乃至整個 it 行業的嚴重約束。
一幅著名的漫畫（來源：https://www.cyberciti.biz/humor/dad-what-are-clouds-made-of-in-it/ ）
在數據科學家可以致力於減少模型所需時間的情況下，it 人員可以通過更改計算服務來做出貢獻，這些服務通常通過以下一種或兩種方式獲得：
PySpark 正在為並行（大數據）系統編寫 Python 代碼
5.NLP、神經網絡與深度學習
目前，數據科學家仍然認為 NLP 和圖像識別僅僅是數據科學的專業知識，並非所有人都必須掌握。
你需要理解深度學習：基於人腦思想的機器學習
但是，圖像分類和 NLP 的用例越來越頻繁，甚至在「常規」業務中也是如此。在目前的情況下，對這類技術沒有基本的了解已經沒辦法適應當前的技術環境了。
即使你的工作中沒有此類模型的直接應用程序，在實際操作的項目也很容易找到。這些項目可以讓你理解圖像和文本項目的基本步驟。
via：https://towardsdatascience.com/top-5-must-have-data-science-skills-for-2020-a5a53226b168
雷鋒網(公眾號：雷鋒網)雷鋒網雷鋒網
雷鋒網版權文章，未經授權禁止轉載。詳情見轉載須知。
資料來源：雷鋒網
作者/編輯：skura
為了保持競爭力，一定要為新工具帶來的新工作方式做好準備！以下就是2020 年數據科學就業市場必備的五項技能。
為 2020 年數據就業市場更新你的技能！
1.敏捷開發
敏捷開發是一種組織工作的方法，已經被開發團隊大量使用。越來越多的人扮演着數據科學家的角色，他們最初的技能是純軟件開發，這就產生了機器學習工程師這一角色。
Post-its 和敏捷開發似乎是並駕齊驅的
越來越多的數據科學家/機器學習工程師被劃分為開發人員：他們的工作是不斷改進現有的代碼庫中的機器學習相關的內容。
對於這類角色，數據科學家必須了解基於 Scrum 方法的敏捷工作方式。它為不同的人定義了不同的角色，這種角色定義保證了工作的順利實施和持續改進。
2.Github
Git 和 Github 是面向開發人員的軟件，在管理不同版本的軟件時有很大幫助。它們跟蹤對代碼庫所做的所有更改，此外，當多個開發人員同時對同一個項目進行更改時，它們能夠真正讓協作變得便利。
GitHub 是個不錯的選擇
隨着數據科學家的角色變得越來越重要，能夠熟練使用這些開發工具也是必備的技能之一。Git 正成為找工作時必備的一項技能，要熟練使用 Git 需要時間。當你一個人或者你的同事都是新手的時候，開始研究 Git 是很容易的，但是當你加入一個 Git 專家團隊，只有你一個人是新手的時候，你可能會經歷比你想象的多得多的努力才能跟上。
Git 是必須要掌握的技能
3.工業化
在數據科學領域，我們思考項目的方式也在發生變化。沒有變的是，數據科學家仍然是用機器學習來回答商業問題的。但是，隨着時間的發展，數據科學項目越來越多地是為生產系統開發的，例如作為大型軟件中的微服務。
AWS 是最大的雲供應商
與此同時，高級模型的 CPU 和 RAM 消耗也越來越大，尤其是在使用神經網絡和深度學習時。
就數據科學家的工作而言，不僅要考慮模型的準確性，還要考慮項目的執行時間或其他工業化的方面，後者正變得越來越重要。
Google也有云服務，就像 Microsoft (Azure)一樣
4.雲與大數據
在機器學習產業化對數據科學家的約束越來越嚴重，同時，它也成為了數據工程師乃至整個 it 行業的嚴重約束。
一幅著名的漫畫（來源：https://www.cyberciti.biz/humor/dad-what-are-clouds-made-of-in-it/ ）
在數據科學家可以致力於減少模型所需時間的情況下，it 人員可以通過更改計算服務來做出貢獻，這些服務通常通過以下一種或兩種方式獲得：
- 雲：將計算資源轉移到外部供應商，如 AWS、Microsoft Azure 或 Google Cloud，可以很容易地建立一個可以快速從遠程訪問的機器學習環境。這就要求數據科學家對雲功能有一個基本的了解，例如：使用遠程服務器而不是自己的計算機，或者使用 Linux 而不是 Windows/Mac。
PySpark 正在為並行（大數據）系統編寫 Python 代碼
- 大數據：它使用 Hadoop 和 Spark，這兩個工具允許同時在許多計算機上並行處理任務（工作節點）。這要求數據科學家使用不同的方法來實現模型，因為代碼必須允許並行執行。
5.NLP、神經網絡與深度學習
目前，數據科學家仍然認為 NLP 和圖像識別僅僅是數據科學的專業知識，並非所有人都必須掌握。
你需要理解深度學習：基於人腦思想的機器學習
但是，圖像分類和 NLP 的用例越來越頻繁，甚至在「常規」業務中也是如此。在目前的情況下，對這類技術沒有基本的了解已經沒辦法適應當前的技術環境了。
即使你的工作中沒有此類模型的直接應用程序，在實際操作的項目也很容易找到。這些項目可以讓你理解圖像和文本項目的基本步驟。
via：https://towardsdatascience.com/top-5-must-have-data-science-skills-for-2020-a5a53226b168
雷鋒網(公眾號：雷鋒網)雷鋒網雷鋒網
雷鋒網版權文章，未經授權禁止轉載。詳情見轉載須知。
資料來源：雷鋒網
作者/編輯：skura